امیرحسین نجف آبادی پور

فعالیت های استخراج سنگ آهن اغلب با چالش های زیست محیطی جدی همراه است؛ از جمله آزادسازی فسفر به محیط که می تواند کیفیت آب و سلامت اکوسیستم را تهدید کند. روش های سنتی برآورد محتوای فسفر در سنگ آهن معمولاً زمان بر، پرهزینه و نیازمند نمونه برداری گسترده هستند. این پژوهش رویکردی نوین مبتنی بر هوش مصنوعی ارائه می دهد که از شبکه های عصبی پرسپترون چندلایه (MLP) برای برآورد سریع و دقیق محتوای فسفر در محدوده معدن سنگ آهن چغارت استفاده می کند. داده های ورودی شامل مختصات UTM، توپوگرافی گمانه های اکتشافی و عمق نمونه ها بوده و مقدار فسفر به عنوان متغیر هدف در نظر گرفته شد. سه الگوریتم بهینه سازی پرکاربرد یعنی Levenberg-Marquardt (LM)، Bayesian Regularization (BR) و Scaled Conjugate Gradient (SCG) برای آموزش مدل به کار گرفته شدند. هر سه مدل از ساختار دو لایه مخفی (19 و 15 نورون) بهره بردند. نتایج ارزیابی با استفاده از معیارهای RMSE، MAPE و ضریب تعیین (R²) نشان داد که مدل مبتنی بر Bayesian Regularization عملکرد برتری نسبت به دو مدل دیگر داشته و دقت بسیار بالایی در پیش بینی محتوای فسفر ارائه می دهد. این رویکرد می تواند به عنوان ابزاری کارآمد برای پایش زیست محیطی، پیش بینی نقاط بحرانی و کاهش نیاز به نمونه برداری گسترده در معادن سنگ آهن مورد استفاده قرار گیرد. پیشنهاد می شود در تحقیقات آتی، ترکیب مدل های پیشرفته تر و افزایش حجم و تنوع داده های ورودی برای بهبود بیشتر دقت بررسی شود.